[目的]研究坡垒叶绿素含量的多光谱图像预测法,探讨融合多光谱频域特征预测叶绿素含量的可行性,为坡垒叶绿素含量的无损监测提供有效工具.[方法]采用将植被指数与传统的阈值分割法相结合的方式,去除坡垒冠层多光谱图像的背景,以F1为分割精度评价指标,确定最适多光谱图像分割方法.对分割后的坡垒冠层多光谱图像,精准提取空域特征(植被指数与纹理特征),并引入3种频域特征,然后基于相关性分析和Lasso算法筛选图像特征,以便携式叶绿素仪测得的SPAD值作为相对叶绿素含量实测值,确定与坡垒SPAD值强相关的优选特征及合适的建模特征组合,结合偏最小二乘回归(PLSR)、随机森林(RF)和极限梯度提升(XGBoost)模型,分别建立多光谱空、频、融合特征模型并进行精度验证,确定适用于幼龄坡垒SPAD值预测的模型形式.[结果]差值植被指数与Kapur阈值结合的分割方法获得了最高分割精度,评价指标F1达到0.917,为坡垒冠层多光谱图像的最适分割方法.多光谱图像空频域特征表现了与坡垒SPAD值的显著相关性,其中相关性最强的特征为修正叶绿素吸收反射率植被指数,相关系数达到-0.780,为基于单图像特征预测SPAD值的优选特征.在3种频域特征中,小波特征与SPAD值的相关性表现最优.因此,小波变换为优选坡垒多光谱图像频域变换方法.基于不同图像特征构建的SPAD值预测模型,性能表现排序为单频域特征模型<单空域特征模型<融合特征模型,最适建模算法为RF、XGBoost算法.基于RF的融合特征模型为最适模型,检验R2达到0.791,较单空域特征模型的检验R2提高了7.9％.[结论]引入3种频域特征能够提高坡垒SPAD值预测精度,且基于RF的融合特征模型获得了较高的预测精度,因此融合多光谱空频域特征并结合机器学习算法,可作为一种有效的幼龄坡垒相对叶绿素含量预测工具,有利于坡垒培育经营工作的智能化发展.
国家科技期刊平台
NSTL
万方数据
维普
